À propos d'AIVIS
AIVIS mesure comment les moteurs de recherche IA voient un site et vous dit exactement quoi corriger pour qu'ils le trouvent, le lisent et le citent.
Ce que fait AIVIS
Chaque analyse lit votre page d'accueil et les principales pages internes comme le font les crawlers IA (sans JavaScript), exécute 15 contrôles sur l'accès, la structure, schema.org, la fraîcheur, la citabilité, la confiance et la vitesse, et demande à 7 moteurs IA (ChatGPT, Claude, Gemini, Perplexity, Grok, Le Chat et d'autres) ce qu'ils savent réellement de votre marque.
Comment nous notons
Les contrôles déterministes sont calculés dans le code à partir du HTML, du robots.txt, du sitemap et du llms.txt : le même site obtient le même score. Quand un modèle de langage juge le contenu, il choisit parmi des catégories fixes et le score est calculé par le code, pas par le modèle. Chaque résultat indique les preuves observées et une correction concrète.
D'où vient la méthode
Les contrôles suivent des sources publiques : les règles robots.txt que chaque fournisseur IA documente pour ses crawlers, schema.org, la proposition llms.txt, les consignes E-E-A-T de Google et l'étude GEO d'Aggarwal et al. (2023) sur ce qui fait citer un contenu par les moteurs génératifs. Nos pages d'études publient des résultats agrégés sur plus de mille domaines analysés.
Indépendant
AIVIS est un logiciel indépendant. Il n'est affilié ni à OpenAI, ni à Anthropic, Google, Perplexity, xAI ou Mistral, et aucun moteur ne paie pour être inclus ou classé.
Écrivez-nous
Bugs, résultats erronés, facturation, demandes de données et partenariats : une seule adresse, à laquelle répondent ceux qui construisent le produit.
Études · Nouveautés · Contact · deus+aivis@lumnika.com
Sources
Sur un benchmark de 10 000 requêtes, ajouter des statistiques, des citations et des sources a augmenté la visibilité d'une page dans les réponses des moteurs génératifs jusqu'à 40 %. Aggarwal et al., GEO: Generative Engine Optimization (KDD 2024)
Les moteurs de recherche IA répondent par génération augmentée par récupération, introduite par Lewis et al. en 2020 : ils lisent d'abord des pages web en direct, donc une page illisible ne peut pas être citée. Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (NeurIPS 2020)